Making Your Educational Data Visual
Notice bibliographique
Résumé
Graduate medical educators collect a vast amount of educational data about applicants, learners, faculty, programs, and systems. Using this data effectively can be difficult. Typically, we view our data in a table or Excel spreadsheet, draw a conclusion, and then take action. Yet optimizing the use of our data requires iterative, ongoing interaction with the stakeholders and data analysis skills. This iterative process helps us decide which features of the data are most relevant to represent visually and which visual presentation structure is best to communicate the data story.Data visualization involves translating information into a visual context such as a graph, chart, or map, to render the data easier to understand and to gain insights. Effective data visualization can quickly communicate large amounts of information and complex relationships, engage viewers, and facilitate opportunities to share insights and conclusions.1–3 In medical education, uses of data visualization range from assessment of resident competence in dashboards to communicating statistical findings from a research study.Often, data visualization is viewed as the last step in data analysis, used to present key findings rather than integrated as part of the data analysis process. Actively using data visualizations throughout the analysis process can prompt recognition of relationships between data points, additional questions, and new analyses. Data can be explored in many ways, such as descriptively (eg, plotting all points, mean, or median) and in more complex ways (eg, exploring the relationships between variables and reanalyzing data by subgroup), with the goal of identifying insights that meet the needs and objectives of the audience. Graphs, such as bar charts for categorical data and boxplots for continuous data, can inform preliminary visualizations.1,4,5 Once finalized, visual mockups are tested with the target audience(s) to ensure that the data addresses their needs and complements the compelling narrative within the written report. Interactive data representation, such as longitudinal competency dashboards, can meaningfully inform stakeholder objectives over time as well as the data analyst's understanding of the data.1,3
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».